基于支持向量機的瓦斯隧道揭煤施工突出危險性預測

＊苗德華 劉錕林

（1.湖南科技大學 資源環境與安全工程學院 湖南 411201 2.浙江交工集團股份有限公司西南分公司 貴州 550001）

隨著我國經濟的快速發展，對交通運輸的能力提出了更高的需求，其中陸路運輸承擔著主要運輸職能，而隧道工程是陸路運輸中必不可少的環節，是我國實現交通強國的重要組成[1]。鑒于作業環境的受限性與地質條件的復雜性，隧道施工事故頻繁發生，給隧道施工安全帶來了巨大挑戰[2]。為了能夠預測瓦斯隧道揭煤施工的突出危險性、降低施工風險和提高施工效率，有必要開展瓦斯隧道事故統計分析以及建立揭煤突出危險性預測模型。

現已有大量學者對于隧道施工風險評價預測展開了研究。隧道瓦斯事故影響因素評價分析的主要研究方法有模糊-熵權理論、模糊綜合評價法、屬性數學理論法、支持向量機和徑向基神經網絡等。但支持向量機應用于瓦斯隧道揭煤施工突出危險性預測的研究較少，且沒有考慮到隧道施工與煤礦施工影響因子的差異。

本文通過統計瓦斯隧道揭煤施工事故來歸納分析影響揭煤施工突出危險性的因素，進而研究瓦斯隧道揭煤施工突出危險性的支持向量機預測模型。

1.事故統計及影響因素選取

本文通過查閱國家安全生產監督管理總局、新聞來搜集2001—2021年間發生的瓦斯隧道揭煤施工事故。

圖1 事故統計及類型占比

如圖1所示，共統計到事故109起，死亡537人，其中2001年死亡6人，2007年死亡人數達65人，分別是死亡人數最少和最多的年份。2006年和2014年是事故發生數量較高的年份，分別為11次和16次。2016年、2017年、2020年及2021年事故發生數量最低，均為1次；其中死亡人數與事故次數總體上呈現相關性，其趨勢雖然有上下起伏，但總體上呈下降趨勢；在隧道揭煤事故中隧道穿越瓦斯煤層的坍塌、冒頂、傾出及壓出等事故可以統稱為突出事故。因此本文將隧道揭煤事故按照相關資料及隧道事故特征分為九類，具體見圖1。其中突出事故在眾多事故類型中是發生次數及致死人數最多的，共發生67次，占總體的61.5%，累計死亡308人，占總體的57.4%。因為突出事故是由多種因素綜合影響的，其中地質因素和施工因素是導致突出事故的眾多因素中的重點。揭煤施工突出危險是地應力、瓦斯和煤層物理力學特性等多因素綜合作用下的氣固耦合介質的力學過程[3]，所以本文根據《防治煤與瓦斯突出細則》選取影響因素X1～X7，經查閱文獻考慮瓦斯隧道與煤礦差異提出影響因素X8和X9，共9個影響因素用來作為預測指標，如表1所示。

表1 揭煤施工突出危險影響因素及選取原因

表2 支持向量機訓練及驗證樣本

2.支持向量機的訓練及預測

(1)樣本選擇

以瓦斯隧道揭煤施工突出危險性為研究對象，通過查閱瓦斯隧道文獻共獲得53個已知突出風險程度的樣本，來對預測模型進行訓練及驗證，如表2所示。

在表2中，煤的破壞類型Ⅰ～Ⅴ用數值1～5來代表；隧道揭煤突出風險程度分為4類，即無突出風險（a，突出量達到0）、輕度突出風險（b，突出量達到0～50t）、中度突出風險（c，突出量達到50～100t）和嚴重突出風險（d，突出量大于100t）。

(2)訓練及驗證

將表2中樣本數據導入MATLAB中，采用10折交叉驗證法進行處理，其中65%作為訓練集、35%作為驗證集，其中X1～X9作為輸入，突出危險程度作為輸出，運用支持向量機來進行訓練、驗證及預測。

將訓練樣本分別在線性核函數和高斯核函數下進行訓練，可以得到以下混淆矩陣及其AUC值，AUC值為積分求得ROC曲線面積，其值一般在0.5～1之間，越靠近1表示越接近理想分類模型。

圖2、圖3為兩種核函數訓練集和驗證集的混淆矩陣；圖中TPR為真正率，FNR為假負率，PPV為正預測值，FDR為假發現率。

其中線性核函數AUC值為：訓練集a類為1.00，b類為0.93，c類為0.96，d類為1.00；驗證集a類為1.00，b類為0.97，c類為0.99，d類為1.00。高斯核函數AUC值為：訓練集a類為0.98，b類為0.91，c類為0.97，d類為1.00；驗證集a類為1.00，b類為1.00，c類為1.00，d類為1.00。

最終得出兩種核函數的綜合準確率，線性核函數為88.2%，高斯核函數為94.1%。

從AUC值方面可以看出：①訓練中，線性核函數在a類和b類的AUC值比高斯核函數高，c類的AUC值不如高斯核函數。②驗證中線性核函數在b類和c類中AUC值低于高斯核函數。

圖2 線性混淆矩陣

圖3 驗證混淆矩陣

從圖2～圖3可以看出：①在訓練過程中，線性核函數錯誤識別的情況有：a類識別為b類；b類識別為a類和c類；c類識別為d類。高斯核函數識別錯誤的情況有：a類識別為b類；b類識別為a類和c類；②在驗證時，線性核函數預測錯誤的情況有：b類預測為a類和c類。高斯核函數預測錯誤的情況有：b類預測為a類。③高斯核函數在指標TPR、FNR、PPV和FDR均比線性核函數的表現要好。

綜上所述，在訓練過程中線性核函數準確度不如高斯核函數，但在AUC值方面綜合好于高斯核函數；在驗證過程中高斯核函數均好于線性核函數。通過驗證集混淆矩陣可以看出兩種核函數均在b類預測中有所誤差，而驗證集AUC值可以看出線性核函數在b類、c類的AUC值比高斯核函數低，所以后續實際應用預測時可能會在b類的突出風險預測出現誤差，且線性核函數出現誤差的可能性比高斯核函數要高。

(3)工程驗證

表3 預測樣本

將已成功貫通的黃家溝隧道、松坎隧道的煤層揭煤施工前數據代入模型進行驗證。樣本來自于黃家溝隧道ZK16+016埋深230～250m處所經過的兩個煤層中，分別取樣并命名為H1、H2；以及松坎隧道左線ZK6+540里程掌子面前方80m范圍的四層煤層中，分別取樣并命名為S1、S2、S3、S4。因此從工程項目中共選取6個樣本來進行預測驗證，見表3。

支持向量機對樣本進行預測的突出危險程度及施工前安全評價公司評審突出危險程度見表4。

表4 預測結果及評審結果

由表4可以看出線性核函數支持向量機錯誤預測了S2的危險程度，綜合可知H1為輕度突出危險性，H2、S1、S3為中度突出危險性，S2、S4為嚴重突出危險性，因此應著重預防H2、S1、S2、S3和S4揭煤施工時發生事故，但實際施工過程中雖然進行了預防防范，卻仍有煤層揭煤施工時發生相關事故。

綜上所述，線性核函數支持向量機錯誤預測了S2，高斯核函數支持向量機準確率較高，說明在此次工程項目預測中高斯核函數支持向量機模型更適用。而在可能出現預測錯誤的方面可以從AUC值和混淆矩陣上得知。

3.結論

（1）本文統計了2001—2021年我國瓦斯隧道揭煤施工事故，將事故分為9類，而主要類型為突出事故，并總結歸納了影響揭煤施工突出危險性的9個因素。

（2）通過支持向量機的訓練及驗證，得出線性核函數綜合準確度為88.2%，高斯核函數的綜合準確率為94.1%，并對工程項目中選取的樣本進行預測驗證。

（3）通過高斯核函數支持向量機預測結果可知，工程案例揭煤施工段若不做合理的揭煤防突措施，將會發生不同程度突出事故的危險，這與實際施工過程相符，可為同類型的瓦斯隧道揭煤施工突出危險性預測提供依據。